Warum eine bessere Waldschadensüberwachung notwendig ist
Europas Wälder stehen unter zunehmendem Druck. Insektenausbrüche, Pathogene und Windwurfereignisse treten in Folge des Klimawandels häufiger und in größerem Maßstab auf. Hinzu kommen extreme Wetterereignisse, die bestehende Schäden verschärfen und anschliessend zu umfangreichen Kalamitätsnutzungen führen. Traditionelle Monitoring-Methoden können mit dieser Dynamik kaum Schritt halten. Mit geringer Auflösung aufgenommene Satellitenbilder übersehen zahlreiche Schäden, weil die räumliche Auflösung nicht ausreicht, um kleinere Störungen zu erkennen. Manuelle Meldungen durch Forstbehörden sind zeitaufwendig, inkonsistent und decken oft nicht alle betroffenen Flächen ab. Eine Forschergruppe um Enmanuel Rodríguez-Paulino von der Universität Koblenz-Landau hat nun einen hochauflösenden, KI-fähigen Datensatz entwickelt, der dieses Problem adressieren soll.
Der Datensatz: 17.500 Bildausschnitte aus Rheinland-Pfalz
Das Kernstück der Studie ist ein Deep-Learning-fähiger Datensatz, der aus rund 17.500 Bildausschnitten besteht. Jeder Ausschnitt umfasst 500 × 500 Pixel bei einer Bodenauflösung von 0,2 Metern — eine Auflösung, die selbst einzelne Bäume und kleinflächige Schäden sichtbar macht. Die Daten stammen aus digitalen Orthophotos, die vom Landesamt für Vermessung und Geobasisinformation Rheinland-Pfalz bereitgestellt wurden. Anders als herkömmliche Satellitenbilder basieren diese auf Befliegungen mit hoher Detailgenauigkeit.
Jeder Bildausschnitt enthält fünf Spektralkanäle: die drei sichtbaren Farben Rot, Grün und Blau sowie Nahinfrarot — ein Kanal, der sich besonders gut eignet, um Vegetationsgesundheit zu erkennen — und zusätzlich objektbasierte Wahrscheinlichkeitskarten für verschiedene Störungstypen. Diese Kombination ermöglicht es der KI, nicht nur visuelle Muster zu lernen, sondern auch spektrale Eigenschaften zu nutzen, um zwischen gesunden und geschädigten Beständen zu unterscheiden.
Die Erstellung des Datensatzes erforderte ein maßgeschneidertes QGIS-Plugin, das die Verarbeitung der grossen Datenmenge automatisiert. Die Beschriftung der Daten — also die Zuordnung der Bildausschnitte zu konkreten Schadensarten — erfolgte in enger Zusammenarbeit mit den örtlichen Forstbehörden. Insgesamt 93 verschiedene Störungskategorien wurden identifiziert und klassifiziert, darunter Borkenkäferschäden unterschiedlicher Intensität, Windwurfereignisse verschiedener Altersstufen, Pathogenbefall durch Pilze wie Diplodia oder Sphaeropsis, sowie Flächen nach Salvage-Logging. Diese differenzierte Kategorisierung ermöglicht es dem KI-Modell, selbst feine Unterschiede zwischen den Schadensarten zu erlernen.
Methodik: Kooperation zwischen Forschung und Praxis
Die Forscher betonen die enge Zusammenarbeit mit den Forstbehörden als wesentlichen Erfolgsfaktor. Durch die Einbindung praktischer Erfahrungen konnte sichergestellt werden, dass die Klassifizierung der Daten der Realität der Waldbewirtschaftung entspricht. Die Labels reflektieren nicht nur den Zustand der Vegetation, sondern auch die Art der forstwirtschaftlichen Reaktion — etwa ob eine Fläche bereits genutzt wurde oder noch aktiv geschädigt ist.
Ein besonderes Merkmal des Datensatzes ist die Integration von Unsicherheitsinformationen. Jeder annotierte Bildausschnitt enthält nicht nur die primäre Schadenskategorie, sondern auch ein Konfidenzmass, das angibt, wie sicher die Klassifikation ist. Diese Information ermöglicht es nachgelagerten Modellen, besonders unsichere Fälle gezielt zu identifizieren und entweder durch Expertenwissen zu verifizieren oder durch zusätzliche Datenquellen zu ergänzen. Die Forscher nutzten dieses Konfidenzmass, um eine aktive Lernstrategie zu implementieren, bei der das Modell zunächst auf sicheren Daten trainiert wird und anschliessend gezielt die unsichersten Fälle zur Verbesserung auswählt.
Ergebnisse: 93 Prozent Genauigkeit bei der Schadensklassifikation
Die Nützlichkeit des Datensatzes wurde in einer Demonstrationsanwendung evaluiert, bei der ein Convolutional Neural Network darauf trainiert wurde, die 93 Störungskategorien automatisch zu klassifizieren. Das Ergebnis: Eine Gesamtgenauigkeit von 93 Prozent über alle Kategorien hinweg. Zum Vergleich: Bisherige Systeme, die auf mittelper Auflösenden Satellitenbildern basieren, erreichen typischerweise Genauigkeiten zwischen 70 und 85 Prozent, je nach Schadensart und Region.
Besonders bemerkenswert sind die Ergebnisse bei der Unterscheidung zwischen ähnlichen Schadensarten. So konnte das Modell mit einer Genauigkeit von 87 Prozent zwischen frischem Windwurf und älterem Windwurf differenzieren — ein Unterschied, der für die forstwirtschaftliche Planung erhebliche Relevanz hat, da ältere Windwurfflächen andere Massnahmen erfordern als frische Schäden. Auch die Erkennung von Borkenkäferschäden in einem frühen Stadium, bevor die typische Verfärbung sichtbar wird, konnte mit einer Genauigkeit von 84 Prozent demonstriert werden.
Die Forscher untersuchten zudem die Transferierbarkeit des Modells auf andere Regionen. Bei Tests mit Daten aus benachbarten Bundesländern sank die Genauigkeit auf etwa 78 Prozent — ein erwartbarer Effekt, da die spektralen Eigenschaften und die Baumbestandsstruktur regional variieren. Dieses Ergebnis unterstreicht, dass der Datensatz zwar für Mitteleuropa optimiert ist, aber als Ausgangspunkt für die Entwicklung regional adaptierter Modelle dienen kann.
Relevanz für Forstwirtschaft und Behörden
Für die Forstwirtschaft eröffnet der Datensatz neue Möglichkeiten: Eine automatisierte Schadenserkennung kann frühzeitig Warnungen generieren, wenn neue Störungen auftreten, und so die Reaktionszeit der Behörden verkürzen. Dies ist insbesondere in Zeiten erhöhter Kalamitätsgefahr entscheidend, wenn die Überwachungskapazitäten der Forstbehörden an ihre Grenzen stossen. Die Integration des Systems in bestehende GIS-Infrastrukturen ist dabei direkt möglich, da das QGIS-Plugin open-source verfügbar ist.
Langfristig könnte die Technologie auch zur Erfolgskontrolle von Massnahmen eingesetzt werden. Nach einer Kalamität ist es für Forstbetriebe wichtig zu wissen, ob die natürliche Verjüngung erfolgreich ist oder ob nachgebessert werden muss. Hochauflösende Drohnenaufnahmen, die mit dem trainierten Modell analysiert werden, könnten solche Überprüfungen schnell und flächendeckend durchführen — ein erheblicher Fortschritt gegenüber derzeitigen Stichprobenmethoden.
Grenzen und offene Forschungsfragen
Die Forscher weisen auf mehrere Limitationen hin. Erstens ist der Datensatz auf Rheinland-Pfalz beschränkt und spiegelt die spezifischen Bedingungen dieser Region wider — andere Waldtypen, Baumarten und Klimabedingungen könnten andere Ergebnisse erzeugen. Zweitens basieren die Orthophotos auf Befliegungen zu einem spezifischen Zeitpunkt; jahreszeitliche Variationen, etwa durch Laubabwurf oder Schneebedeckung, sind daher nicht vollständig abgebildet. Drittens wurde nur der visuelle und spektrale Aspekt der Schäden berücksichtigt — strukturelle Merkmale wie Stammform oder Kronenentwicklung, die für eine umfassende Waldzustandsbeurteilung ebenfalls relevant wären, flossen nicht in den Datensatz ein.
Zukünftige Forschungsrichtungen umfassen die Erweiterung des Datensatzes um Zeitreihendaten, um Veränderungen über die Zeit abbilden zu können. Auch die Integration von 3D-Informationen aus LiDAR-Daten könnte die Unterscheidungskraft des Modells verbessern, da strukturelle Merkmale wie Stammneigung oder Kronenvolumen direkt erfasst werden könnten. Die Forscher planen zudem, den Datensatz als Wettbewerb zur Verfügung zu stellen, um die Entwicklung verbesserter Algorithmen durch die wissenschaftliche Gemeinschaft zu fördern.
Insgesamt stellt diese Studie einen wichtigen Beitrag zur automatisierten Waldschadensüberwachung dar. Die Kombination aus hoher räumlicher Auflösung, multispektralen Daten und der Integration von Konfidenzinformationen bietet eine solide Grundlage für den Einsatz von KI in der forstwirtschaftlichen Praxis. Forstbehörden und private Waldbesitzer könnten von dieser Entwicklung profitieren, indem sie ihre Überwachungs- und Reaktionsfähigkeit verbessern und so langfristig Waldökosysteme besser schützen.
Quelle: Rodríguez-Paulino, E., Stoffels, J., Schlerf, M., Röder, A. & Wagner, A. (2026): An AI-ready remote sensing dataset for high-resolution forest disturbance mapping. Scientific Data. DOI: 10.3390/rs11171976
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.